CN113654568A - 基于车辆刹车次数的导航方法、装置、介质和设备 - Google Patents
基于车辆刹车次数的导航方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN113654568A CN113654568A CN202110905814.XA CN202110905814A CN113654568A CN 113654568 A CN113654568 A CN 113654568A CN 202110905814 A CN202110905814 A CN 202110905814A CN 113654568 A CN113654568 A CN 113654568A
- Authority
- CN
- China
- Prior art keywords
- braking
- user
- path
- driving
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Social Psychology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Navigation (AREA)
Abstract
本发明公开了基于车辆刹车次数的导航方法、装置、介质和设备,首先获取到用户驾车习惯特征,基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;接收导航路径请求,根据导航路径请求确定待选路径;将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;最终选择刹车次数最少的待选路径进行推荐。由上述可知,本发明能够结合用户个性化驾驶习惯以及道路实时状况特征,推荐交通情况更均衡和流畅,刹车次数更小的导航路径,帮助用户减少刹车次数,满足安全和绿色驾驶的需求。
Description
技术领域
本发明属于车辆导航技术领域,具体涉及基于车辆刹车次数的导航方法、装置、介质和设备。
背景技术
目前,导航***根据用户导航请求的起点、终点,搜索匹配对应的多条路径,比如“躲避拥堵”、“高速优先”、“时间最短”、“避免收费”等不同导航策略的路径,供用户选择。
然而,现有的导航策略仅仅将距离最短、用时最少等路径推荐给用户,导航路径推荐主要存在两个方面的问题:
一、最快的导航路径并不一定是最好的,实际上很多时候最快路径反而车流量更大、交通情况更复杂,一个最关键的问题,就是司机经常遇到“突然刹车”的情况,而突然刹车和交通安全以及绿色出行的关联度更高。
二、导航路径推荐没有考虑用户个性化驾驶习惯,推荐的导航路径可能用户需要频繁刹车,导致不良的用户体验。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种基于车辆刹车次数的导航方法,该方法实现了交通情况更均衡、流畅,刹车次数更小的导航路径推荐,帮助用户减少刹车次数,满足安全和绿色驾驶的需求。
本发明的第二目的在于提供一种基于车辆刹车情况的导航装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种基于车辆刹车次数的导航方法,步骤包括:
基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
接收导航路径请求,根据导航路径请求确定待选路径;
将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
选择刹车次数最少的待选路径进行推荐。
优选的,用户驾车习惯特征包括用户在各种时段内的驾车时速信息和刹车次数信息、用户在各种路段的驾车时速信息和刹车次数信息、以及用户车速与刹车力度对应关系。
优选的,道路状况特征包括道路静态信息和道路动态信息;
所述道路静态信息包括道路的车道数、限速速度、左转/右转/直行车道数、直线路径长度、弯曲路径长度及弯曲半径、信号灯数量;
所述道路动态信息包括各种时间段行人的人流量及人流速度、各种时间段的车流量及车流速度、拥堵路段长度及拥堵时间段、非拥堵路段长度及非拥堵时间段。
优选的,构建刹车次数计算模型的具体过程为:
获取用户驾车习惯特征,采集用户所行驶路径的道路状况以及在所行驶路径上的刹车次数;
将用户驾车习惯特征和用户所行驶路径的道路状况构成的特征向量作为神经网络模型的输入,对应用户所行驶路径上的刹车次数作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
更进一步的,所述神经网络模型可以是卷积神经网络模型、BP神经网络模型或多层感知机。
更进一步的,还包括采集用户在所行驶路径上每次刹车时的刹车位置、刹车力度和刹车时长;
在构建刹车次数计算模型时,将用户驾车习惯特征和用户所行驶路径的道路状况作为输入,将用户在所行驶路径上的刹车次数、每次刹车时的刹车位置、刹车力度以及刹车时长均作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
更进一步的,针对各待选路径,将用户驾车习惯特征和待选路径的道路状况输入到刹车次数计算模型中,通过刹车次数计算模型计算出刹车次数的同时,计算得到每次刹车的建议刹车位置、建议刹车力度以及建议刹车时长。
本发明的第二目的通过下述技术方案实现:一种基于车辆刹车次数的导航装置,包括:
获取模块,用于基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
模型构建模块,用于基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
待选路径确定模块,用于接收导航路径请求,根据导航路径请求确定待选路径;
刹车次数计算模块,用于将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
路径推荐模块,用于选择刹车次数最少的待选路径进行推荐。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的基于车辆刹车次数的导航方法。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的基于车辆刹车次数的导航方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明基于车辆刹车次数的导航方法,首先获取到用户驾车习惯特征,基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;接收导航路径请求,根据导航路径请求确定待选路径;将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;最终选择刹车次数最少的待选路径进行推荐。由上述可知,本发明能够结合用户个性化驾驶习惯以及道路实时状况特征,推荐交通情况更均衡和流畅,刹车次数更小的导航路径,帮助用户减少刹车次数,满足安全和绿色驾驶的需求。
(2)本发明基于车辆刹车次数的导航方法中,在构建刹车次数计算模型时,同时将用户在所行驶路径上的刹车次数、每次刹车时的刹车位置、刹车力度以及刹车时长均作为标签,对神经网络模型进行训练,以此得到的刹车次数计算模型不仅能够计算到待选路径的的刹车次数,还可以计算每次刹车的建议刹车位置、建议刹车力度以及建议刹车时长,为用户在路径上行驶时刹车的操作提供更好的参考。
附图说明
图1是本发明基于车辆刹车次数的导航方法流程图。
图2是本发明刹车次数计算模型训练和使用的流程图。
图3是本发明中多层感知机的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
目前现有的导航方法仅仅将距离最短、用时最少等路径推荐给用户,这些方式下推荐的导航路径很有可能是需要用户频繁刹车,将导致用户驾驶体验不良,难以满足安全和绿色驾驶。基于此,本实施例公开了一种基于车辆刹车次数的导航方法,该方法能够准确的计算刹车次数,为用户提供个性化刹车次数最少的导航路径,满足安全和绿色驾驶的需求。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种基于车辆刹车次数的导航方法进行详细介绍。
参见图1所示的一种基于车辆刹车次数的导航方法的流程图,该方法由诸如计算机等服务器执行,包括以下步骤:
S101、基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征。
本实施例中,用户驾车习惯特征主要是指用户在不同时间段、不同道路状况等条件下的一些驾车习惯,包括但不限于用户在各种时段内的驾车时速信息和刹车次数信息、用户在各种路段例如直道、弯道、匝道、城市道路、高速道路、主干道、支路等的驾车时速信息和刹车次数信息、以及用户车速与刹车力度对应关系。例如用户在上下班高峰期时间段的驾车时速信息和刹车次数信息(一定路程内的,例如每百米内的),用户在两车道、四车道时的驾车时速信息和刹车次数信息(一定路程内的)。上述这些驾驶习惯特征信息是基于用户历史驾车信息进行规整后得到的。本实施例中,定期(如每隔1秒)采集用户驾驶信息及对应的道路信息,其中:用户驾驶信息包括用户是否踩刹车,踩刹车时的刹车位置、刹车力度和刹车时长,对应的道路信息包括道路动态信息和道路静态信息,根据这些信息,可以确定“用户驾车习惯特征”,例如:自车车速80公里/小时,且车道为4车道,弯道,前方200米有红绿灯,且前方车流量40车/分钟,车流速度60公里/小时,则距前车60米时,踩刹车1次,时长0.3s,刹车力度适中减速至70公里/小时;距前车40米时,踩刹车1次,时长0.5s,刹车力度适中减速至65公里/小时;距离前车20米时,踩刹车1次,时长0.5s,刹车力度适中减速至60公里/小时。
本实施例,基于用户历史驾车信息,针对每个用户都会建立一个用户驾车习惯特征库,用于存储用户的驾车习惯特征,后面使用时,直接从库中调取即可。
S102、基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型。
本实施例中,道路状况特征包括道路静态信息和道路动态信息;其中:
道路静态信息包括但不限于道路的车道数、限速速度、左转/右转/直行车道数、直线路径长度、弯曲路径长度及弯曲半径、信号灯数量;
道路动态信息包括但不限于各种时间段行人的人流量及人流速度、各种时间段的车流量及车流速度、拥堵路段长度及拥堵时间段、非拥堵路段长度及非拥堵时间段。
本实施例中,如图2中所示,通过机器学习方法构建刹车次数计算模型的具体过程如下:
S1021、获取用户驾车习惯特征,采集用户所行驶路径的道路状况以及在所行驶路径上的刹车次数,得到训练样本数据。具体的:
在本实施例中,针对于各用户,通过用户驾车习惯特征库获取到该用户的用户驾车习惯特征;采集到用户以往所行驶的多条路径的道路状况以及对应的刹车次数;针对于每个用户,将用户驾车习惯特征及所行驶的各条路径的道路状况组合构成特征向量,作为训练样本数据;其中一个训练样本对应为用户的用户驾车习惯特征和所行驶过的其中一条路径的道路状况组合构成,基于用户说行驶过的多条路径,可以构成多个训练样本。
S1022、针对于训练样本数据进行数据预处理,包括数据缺失出来和归一化处理。
S1023、将数据预处理后的训练样本数据作为神经网络模型的输入,对应用户所行驶路径上的刹车次数作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
进一步的,在本实施例上述步骤S1021中,针对于用户以往所行驶路径,在采集道路状况以及用户在该路径中刹车次数的同时,同时采集用户在该行驶路径上每次刹车时的刹车位置、刹车力度和刹车时长;进一步的,在上述步骤S1023中构建刹车次数计算模型时,将用户驾车习惯特征和用户所行驶路径的道路状况作为输入,将用户在所行驶路径上对应的刹车次数、每次刹车时的刹车位置、刹车力度以及刹车时长均作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
在本实施例中,上述神经网络模型可以是卷积神经网络模型、BP神经网络模型或多层感知机。如图3所示,为本实施例提供的基于多层感知机的刹车次数计算模型,其中:多层感知机的输入个数为:用户驾车习惯特征及用户所行驶路径的道路状况组合构成的特征向量{T1、T2,...,Tn}(定义为刹车次数计算特征向量)的维度数,输出个数为1(对应刹车次数计算结果),层数为4,每个隐藏层中包含(刹车次数计算特征向量的维度数-1)个隐藏单元。另外当神经网络模型时,若标签包括刹车次数、每次刹车时的刹车位置、刹车力度以及刹车时长时,则多层感知机的输出个数为4个。
S103、接收导航路径请求,根据导航路径请求确定待选路径。在本实施例中,基于用户选择的出发地和目的地,可以确定出一条或多条待选路径。
S104、将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量进行数据预处理后分别作为输入,通过步骤S102得到的刹车次数计算模型计算用户行驶各条待选路径的刹车次数。例如有待选路径A、B和C,将用户驾车习惯特征与待选路径A的道路实时状况特征所构成的特征向量,进行数据预处理后输入到刹车次数计算模型中,得到用户行驶待选路径A时的刹车次数,同样的方法得到用户行驶待选路径B、C时的刹车次数。
当步骤S102模型训练过程中,若标签除了刹车次数,还包括每次刹车时的刹车位置、刹车力度以及刹车时长时,则本步骤基于刹车次数计算模型还能获取到每次刹车的建议刹车位置、建议刹车力度以及建议刹车时长。
本实施例中,待选路径的道路实时状况即包括了道路静态信息和道路动态信息;道路静态信息包括但不限于道路的车道数、限速速度、左转/右转/直行车道数、直线路径长度、弯曲路径长度及弯曲半径、信号灯数量;道路动态信息包括但不限于各种时间段行人的人流量及人流速度、各种时间段的车流量及车流速度、拥堵路段长度及拥堵时间段、非拥堵路段长度及非拥堵时间段。
S105、选择刹车次数最少的待选路径进行推荐,同时可以将对应刹车次数下得到的每次刹车的建议刹车位置、建议刹车力度以及建议刹车时长也推荐给用户,为用户提供匹配个性化导航的刹车次数最少的导航策略。
本实施例上述步骤中基于用户驾驶习惯、所行驶过路径的道路状况信息以及用户在对应所行驶过路径的刹车次数,训练出刹车次数计算模型。在用户的待选导航路径中,刹车次数计算模型结合用户个性化驾驶习惯以及道路实时状况特征,推荐交通情况更均衡和流畅,刹车次数更小的导航路径,帮助用户减少刹车次数,满足安全和绿色驾驶的需求。
本领域技术人员可以理解,实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。应当注意,尽管在附图中以特定顺序描述了本实施例1的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序,有些步骤也可以同时执行,附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种基于车辆刹车次数的导航装置,包括获取模块、模型构建模块、待选路径确定模块、刹车次数计算模块和路径推荐模块,各个模块的功能如下:
获取模块,用于基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;用户驾车习惯特征包括但不限于用户在各种时段内的驾车时速信息和刹车次数信息、用户在各种路段的驾车时速信息和刹车次数信息、以及用户车速与刹车力度对应关系。
模型构建模块,用于基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;本实施例中用户所行驶路径的道路状况包括道路静态信息和道路动态信息;其中:道路静态信息包括但不限于道路的车道数、限速速度、左转/右转/直行车道数、直线路径长度、弯曲路径长度及弯曲半径、信号灯数量;道路动态信息包括但不限于各种时间段行人的人流量及人流速度、各种时间段的车流量及车流速度、拥堵路段长度及拥堵时间段、非拥堵路段长度及非拥堵时间段。
待选路径确定模块,用于接收导航路径请求,根据导航路径请求确定待选路径。待选路径指的是基于用户的出发地和目的地所得到的路径,路径的个数可能为多条。
刹车次数计算模块,用于将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数。
路径推荐模块,用于选择刹车次数最少的待选路径进行推荐。
本实施例上述各个模块的具体实现可以参见上述实施例1,在此不再一一赘述。需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的一种基于车辆刹车次数的导航方法,步骤包括:
基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
接收导航路径请求,根据导航路径请求确定待选路径;
将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
选择刹车次数最少的待选路径进行推荐。
本实施例中,上述各个过程具体实现可以参见上述实施例1,在此不再一一赘述。
在本实施例中,存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1所述的一种基于车辆刹车次数的导航方法,步骤包括:
基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
接收导航路径请求,根据导航路径请求确定待选路径;
将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
选择刹车次数最少的待选路径进行推荐。
本实施例中,上述各个过程具体实现可以参见上述实施例1,在此不再一一赘述。
本实施例中,计算设备可以是台式电脑、笔记本电脑、PDA手持终端、平板电脑等终端设备。
在本实施例中,计算设备包括:处理器,存储器,总线和通信接口,处理器、通信接口和存储器通过总线连接;处理器配置成执行存储器中存储的可执行模块,例如计算机程序。
其中,存储器可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网和城域网等。
总线可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线和控制总线等。
其中,存储配置成存储程序,所述处理器在接收到执行指令后,执行所述程序,前述本申请实施例揭示的流过程定义的装置所执行的方法可以应用于处理器中,或者由处理器实现。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)和网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件以及分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存和/或只读存储器,可编程只读存储器或者电可擦写可编程存储器和/或寄存器等本领域成熟的存储介质中,该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于车辆刹车次数的导航方法,其特征在于,步骤包括:
基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
接收导航路径请求,根据导航路径请求确定待选路径;
将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
选择刹车次数最少的待选路径进行推荐。
2.根据权利要求1所述的基于车辆刹车次数的导航方法,其特征在于,用户驾车习惯特征包括用户在各种时段内的驾车时速信息和刹车次数信息、用户在各种路段的驾车时速信息和刹车次数信息、以及用户车速与刹车力度对应关系。
3.根据权利要求1所述的基于车辆刹车次数的导航方法,其特征在于,道路状况特征包括道路静态信息和道路动态信息;
所述道路静态信息包括道路的车道数、限速速度、左转/右转/直行车道数、直线路径长度、弯曲路径长度及弯曲半径、信号灯数量;
所述道路动态信息包括各种时间段行人的人流量及人流速度、各种时间段的车流量及车流速度、拥堵路段长度及拥堵时间段、非拥堵路段长度及非拥堵时间段。
4.根据权利要求1所述的基于车辆刹车次数的导航方法,其特征在于,构建刹车次数计算模型的具体过程为:
获取用户驾车习惯特征,采集用户所行驶路径的道路状况以及在所行驶路径上的刹车次数;
将用户驾车习惯特征和用户所行驶路径的道路状况构成的特征向量作为神经网络模型的输入,对应用户所行驶路径上的刹车次数作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
5.根据权利要求4所述的基于车辆刹车次数的导航方法,其特征在于,所述神经网络模型可以是卷积神经网络模型、BP神经网络模型或多层感知机。
6.根据权利要求4所述的基于车辆刹车次数的导航方法,其特征在于,还包括采集用户在所行驶路径上每次刹车时的刹车位置、刹车力度和刹车时长;
在构建刹车次数计算模型时,将用户驾车习惯特征和用户所行驶路径的道路状况作为输入,将用户在所行驶路径上的刹车次数、每次刹车时的刹车位置、刹车力度以及刹车时长均作为标签,对神经网络模型进行训练,得到刹车次数计算模型。
7.根据权利要求6所述的基于车辆刹车次数的导航方法,其特征在于,针对各待选路径,将用户驾车习惯特征和待选路径的道路状况输入到刹车次数计算模型中,通过刹车次数计算模型计算出刹车次数的同时,计算得到每次刹车的建议刹车位置、建议刹车力度以及建议刹车时长。
8.一种基于车辆刹车次数的导航装置,其特征在于,包括:
获取模块,用于基于用户历史驾车信息确定用户驾车习惯,得到用户驾车习惯特征;
模型构建模块,用于基于用户驾车习惯特征、用户所行驶路径的道路状况和在所行驶路径上的刹车次数,通过机器学习方法构建刹车次数计算模型;
待选路径确定模块,用于接收导航路径请求,根据导航路径请求确定待选路径;
刹车次数计算模块,用于将用户驾车习惯特征与各条待选路径的道路实时状况特征所构成的特征向量分别作为输入,通过刹车次数计算模型计算各条待选路径的刹车次数;
路径推荐模块,用于选择刹车次数最少的待选路径进行推荐。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至7中任一项所述的基于车辆刹车次数的导航方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至7中任一项所述的基于车辆刹车次数的导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905814.XA CN113654568B (zh) | 2021-08-09 | 2021-08-09 | 基于车辆刹车次数的导航方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905814.XA CN113654568B (zh) | 2021-08-09 | 2021-08-09 | 基于车辆刹车次数的导航方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113654568A true CN113654568A (zh) | 2021-11-16 |
CN113654568B CN113654568B (zh) | 2024-02-20 |
Family
ID=78479112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110905814.XA Active CN113654568B (zh) | 2021-08-09 | 2021-08-09 | 基于车辆刹车次数的导航方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113654568B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255607A (zh) * | 2021-12-20 | 2022-03-29 | 浙江吉利控股集团有限公司 | 行车路径推荐方法、***、介质、设备及程序产品 |
CN116572910A (zh) * | 2023-07-13 | 2023-08-11 | 北京新能源汽车股份有限公司 | 车辆的控制方法、装置、车辆及存储介质 |
CN117885745A (zh) * | 2023-12-22 | 2024-04-16 | 西藏北斗森荣科技(集团)股份有限公司 | 一种基于车联网的驾驶行为监控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107270925A (zh) * | 2017-07-27 | 2017-10-20 | 三星电子(中国)研发中心 | 一种用户车辆导航***、装置及方法 |
CN107436151A (zh) * | 2017-07-14 | 2017-12-05 | 维沃移动通信有限公司 | 一种导航方法及移动终端 |
US20180201273A1 (en) * | 2017-01-17 | 2018-07-19 | NextEv USA, Inc. | Machine learning for personalized driving |
CN111497812A (zh) * | 2019-01-31 | 2020-08-07 | 天津所托瑞安汽车科技有限公司 | 一种基于平台的车辆刹车***监测方法 |
CN112060970A (zh) * | 2020-09-30 | 2020-12-11 | 浙江吉利控股集团有限公司 | 一种换电式混合动力车辆的能源补充方法及管理*** |
CN113071505A (zh) * | 2021-04-16 | 2021-07-06 | 阿波罗智联(北京)科技有限公司 | 驾驶行为习惯的确定、车辆行驶控制方法、装置及设备 |
-
2021
- 2021-08-09 CN CN202110905814.XA patent/CN113654568B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180201273A1 (en) * | 2017-01-17 | 2018-07-19 | NextEv USA, Inc. | Machine learning for personalized driving |
CN107436151A (zh) * | 2017-07-14 | 2017-12-05 | 维沃移动通信有限公司 | 一种导航方法及移动终端 |
CN107270925A (zh) * | 2017-07-27 | 2017-10-20 | 三星电子(中国)研发中心 | 一种用户车辆导航***、装置及方法 |
CN111497812A (zh) * | 2019-01-31 | 2020-08-07 | 天津所托瑞安汽车科技有限公司 | 一种基于平台的车辆刹车***监测方法 |
CN112060970A (zh) * | 2020-09-30 | 2020-12-11 | 浙江吉利控股集团有限公司 | 一种换电式混合动力车辆的能源补充方法及管理*** |
CN113071505A (zh) * | 2021-04-16 | 2021-07-06 | 阿波罗智联(北京)科技有限公司 | 驾驶行为习惯的确定、车辆行驶控制方法、装置及设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255607A (zh) * | 2021-12-20 | 2022-03-29 | 浙江吉利控股集团有限公司 | 行车路径推荐方法、***、介质、设备及程序产品 |
CN116572910A (zh) * | 2023-07-13 | 2023-08-11 | 北京新能源汽车股份有限公司 | 车辆的控制方法、装置、车辆及存储介质 |
CN116572910B (zh) * | 2023-07-13 | 2023-11-21 | 北京新能源汽车股份有限公司 | 车辆的控制方法、装置、车辆及存储介质 |
CN117885745A (zh) * | 2023-12-22 | 2024-04-16 | 西藏北斗森荣科技(集团)股份有限公司 | 一种基于车联网的驾驶行为监控*** |
CN117885745B (zh) * | 2023-12-22 | 2024-06-25 | 西藏北斗森荣科技(集团)股份有限公司 | 一种基于车联网的驾驶行为监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN113654568B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113654568B (zh) | 基于车辆刹车次数的导航方法、装置、介质和设备 | |
JP6602352B2 (ja) | 自律走行車用の計画フィードバックに基づく決定改善システム | |
CN109902899B (zh) | 信息生成方法和装置 | |
JP6720066B2 (ja) | 誘導経路設定装置および誘導経路設定方法 | |
CN107389085B (zh) | 一种道路通行属性的确定方法、装置、计算机及存储介质 | |
WO2017010209A1 (ja) | 周辺環境認識装置、及びコンピュータプログラム製品 | |
US11022457B2 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
CN111133277A (zh) | 使用时间和空间生成路线的方法、设备和计算机程序产品 | |
US11249984B2 (en) | System and method for updating map data in a map database | |
EP3745087B1 (en) | Method, apparatus, and computer program product for determining lane level vehicle speed profiles | |
US8190363B2 (en) | Driving support system, driving support method and computer program for setting and using facility entry difficulty levels | |
US10982969B2 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
US10424202B1 (en) | Parking strategy recommendation based on parking space availability data | |
CN110304066B (zh) | 自动驾驶模式下的路线选择方法、***、设备及存储介质 | |
US11255692B2 (en) | System and method for identification of a roadwork zone | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
US20210326699A1 (en) | Travel speed prediction | |
US20200191603A1 (en) | Methods and systems for roadwork extension identification using speed funnels | |
CN115164922A (zh) | 一种路径规划方法、***、设备及存储介质 | |
CN115482660A (zh) | 路径确定方法、装置、设备及存储介质 | |
CN1135064A (zh) | 导向设备 | |
CN111141302B (zh) | 车辆驾驶到达时间的预估方法、装置及电子设备 | |
CN109934496B (zh) | 区域间通行影响确定方法、装置、设备和介质 | |
CN110260864B (zh) | 最佳参考行迹路线的构建方法、装置及电子设备 | |
CN111684379A (zh) | 自动驾驶车辆的三点转弯的最优规划器切换方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |